一个隐私保护的横向联合学习,用于恶性质瘤瘤检测,使用分布式数据密闭

科学领域:

• 神经学和医学成像学
• 医疗保健中的人工智能
• 计算神经科学是一种神经科学.

背景情况:

• 恶性质瘤的特征是无法控制的质细胞生长,这带来了重大的神经风险和诊断挑战.
• 目前的诊断方法,如MRI和CT扫描是昂贵的,可能涉及辐射暴露.
• 深度学习模型提供高预测准确性,但在集中式系统中面临数据隐私,存储和监管合规性挑战.

研究的目的:

• 开发一种使用横向联合学习的分布式和保护隐私的恶性质瘤检测模型.
• 在不同的客户端架构和数据分布 (IID和非IID) 上评估模型的性能.
• 克服集中式深度学习方法对医疗图像分析的局限性.

主要方法:

• 使用预训练的MobileNetV2模型实现了一个横向联合学习 (FL) 框架.
• 收集并预处理非瘤和质瘤组织的MRI扫描 (数据平衡,图像大小调整).
• 该FL模型以特定的参数 (学习率,优化器,批量大小,时代,聚合方法,轮) 配置,并与5个和10个客户进行了测试.

主要成果:

• 拟议的联合学习模型实现了高准确性,在5个客户端中,在IID发行中达到99.76%,在非IID发行中达到99.71%.
• 该模型在不同的客户端架构和数据分布中展示了强大的性能.
• 结果表明,与现有最先进的模型相比,优化和概括能力优越.

结论:

• 开发的分布式和保护隐私的联合学习模型对于恶性质瘤检测非常有效.
• 这种方法成功地解决了与医疗保健中集中式深度学习相关的数据隐私和存储问题.
• 该模型显示了改善恶性质瘤的早期和准确诊断的巨大潜力.